NIPSSep, 2018

具有学习垃圾收集器的长程序的自动程序合成

PDF
TL;DR本文研究给定样例输入输出对自动生成代码的问题，使用神经网络从当前状态和输出映射到程序的下一个语句，同时优化多个任务：从一组高级命令选择下一个操作，确定下一个语句的操作数以及可以从内存中删除哪些变量。使用该方法，我们能够创建比现有最先进的解决方案长两倍以上的程序，同时提高了相似长度的成功率，缩短了两个数量级的运行时间。我们的代码，包括各种文献基线的实现，可以在此 https URL 公开获取。
automatic code generationneural networkprogram synthesisvariable optimizationruntime improvement
发现论文，激发创造
  • 分层神经程序合成

    本文提出了一种可扩展的程序合成框架，通过层级组合程序实现程序合成，该框架可以从输入 / 输出对中合成比之前更长、更复杂的程序，并通过任务嵌入空间和程序解码器将任务嵌入解码为程序。

    Mar, 2023

  • 学习推理程序草图

    本文介绍一种用于程序自动合成的方法，通过结合模式识别和显式推理来解决这些复杂的编程问题，同时使用新颖的中间表示和训练算法，使程序合成系统能够自学，从而在简单的英文描述编程问题数据集上取得了最先进的性能表现。

    Feb, 2019

  • 利用语法和强化学习进行神经程序合成

    本文提出了两种新的方法来解决程序合成中的限制，分别通过增加语义正确生成的概率和语法正确的程序的概率来解决。

    May, 2018

  • DeepCoder: 学习编写程序

    本文研究了使用深度学习解决编程竞赛问题的方法，首先使用神经网络预测输入输出之间的关系，然后结合搜索技术和 SMT 求解器进一步优化，实验证明该方法可显著提高效率和解决程度。

    Nov, 2016

  • 自然语言规格说明到数学程序的综合

    研究评估了使用数据增强、后处理和代码生成模型 CodeT5 合成数学程序的效果，通过应用线性规划规则来评分和纠正光束，该方法基于自然语言规范实现自动化建模。实验结果表明，在使用这些增强方法后，CodeT5 基础版本的执行准确率为 0.73，明显优于 ChatGPT 的零 - shot 执行准确率 0.41 和 Codex 的 0.36。

    Mar, 2023

  • 具备编译器反馈的可编译神经代码生成

    本文提出了一种名为 COMPCODER 的三阶段编译反馈机制，采用编译器反馈来生成可编译的代码，实验结果显示该方法的成功编译率从 44.18％提升至 89.18％。

    Mar, 2022

  • 长指令摘要：化繁为简的程序综合

    通过使用汇总版本来去除大型预训练语言模型中的无关信息，构建元数据集并测试在编程问题上的性能，从而提高了在各种编程问题中的性能表现。

    Mar, 2022

  • 大型语言模型与自动化机器学习的协同效应

    使用大型语言模型 (LLMs) 驱动的代码生成在最近变得越来越流行。然而，自动生成机器学习 (ML) 任务的代码仍然面临着重大挑战。本文通过结合 LLMs 和自动化机器学习 (autoML) 来探索 ML 程序合成的极限，旨在完全自动化从数据准备到建模和后处理的整个 ML 工作流程的代码生成过程，只使用 ML 任务的文本描述。

    May, 2024

  • 用于神经程序合成的合成数据集

    本文旨在探索自动生成指定语言中的程序，依据输入输出行为生成程序，我们提出了一种新的方法来控制和评估合成数据分布的偏差，通过在 Karel 和小型计算器 DSL 上的实验表明，使用这些分布训练深度网络可以提高跨分布的泛化性能。

    Dec, 2019

  • 基于学习的软件代码和配置自动合成

    给出自动软件生成和配置的两个任务，第一个任务进一步分为两个子任务：用基于神经网络的适应度函数和程序跟踪与规范训练的遗传算法合成程序，用协方差矩阵适应演化策略合成程序；第二个任务是使用序列到序列深度学习机制从不同的输入文件（例如软件手册、配置文件、在线博客等）合成大规模软件的配置。

    May, 2023